GLM-5.1 est le modèle de fondation phare de Z.AI conçu pour les tâches à long horizon, officiellement décrit comme capable de travailler en continu et de façon autonome sur une même tâche pendant jusqu'à 8 heures, en couvrant la planification, l'exécution, les tests, les corrections et la livraison.
- Entrée
- texte $1.4/M
- Sortie
- texte $4.4/M
- Lecture de cache
- $0.26/M
- Contexte
- 203K
- vs GPT-4o
- ~72% moins cher
Le prix en perspective
Position du prix parmi 68 modèles comparables
La barre situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises liées au batch, à la région et aux écritures de cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 200 000 |
|---|---|
| Sortie max (spéc. fournisseur) | 131 072 |
Mise en cache
| Mode | automatique |
|---|
Réflexion
| Paramètre du fournisseur | thinking.type |
|---|---|
| Valeurs acceptées | enabled · disabled |
| Valeur par défaut | enabled, et le modèle détermine automatiquement s'il doit réfléchir appliquée si la requête ne précise rien |
| Désactivable | Oui |
| Comportement de la réflexion | La trace revient dans reasoning_content ; les traces des tours précédents sont effacées par défaut (clear_thinking true), et les blocs de réflexion entrelacés doivent être conservés et renvoyés avec les résultats d'outils. Pas de contrôle reasoning_effort: il est documenté pour GLM-5.2 uniquement. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high paramètres exposés par la passerelle ; la correspondance avec ceux du fournisseur, ci-dessus, s'applique |
Modèle
| Modalités | texte → texte |
|---|---|
| Paramètres | 744B au total · 40B actifs MoE |
| Licence | MIT |
- Fleuron d'ingénierie agentique de nouvelle génération (744B-A40B): travaille de façon autonome jusqu'à 8 heures d'affilée, sur des milliers d'appels d'outils
- contexte de 200K / 128K de sortie maximale
selon docs officielles Z.ai ↗
Un prompt, mesuré via la passerelle
GLM-5.1 réussi · 3 sentences
Enabling reasoning shifts the LLM from generating quick answers to producing hidden "chain-of-thought" tokens that systematically explore multiple solution paths before responding. Because billing is based on total tokens processed, these invisible reasoning tokens drastically increase input and output volume per query, often adding thousands of compute-intensive tokens to a single prompt. Consequently, our bill doubled not from higher per-token rates or increased user volume, but from the exponentially deeper computational work required to deliver higher-quality, more reliable outputs.
sortie 98 tok latence 7.8 s
Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.
GLM-5.1 réussi · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` **Explanation:** The original function initialized `cur` and `best` to `0` and only incremented `cur` when a duplicate was found. This counts the number of *extra* equal items in a run rather than the total run length, so every run is reported as one shorter than it actually is—returning `0` for single-element lists and `L-1` for a run of length `L` (including those ending at the last index). The fix initializes `cur` and `best` to `1` (when the list is non‑empty) and resets `cur` to `1` on a mismatch, so `cur` tracks the full length of the current run and `best` records the true maximum.
sortie 3823 tok (+3585 réflexion) latence 49.7 s
La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.
GLM-5.1 réussi · 5/5 fields, guidance "withheld pending the Q4 close"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": "eleven and change", "guidance": "withheld pending the Q4 close" } ```
sortie 1091 tok (+1028 réflexion) latence 15.2 s
Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.
GLM-5.1 réussi · 120 words, 0 banned, 1 question
We are excited to introduce Prompt Cache for our API Gateway. This new feature stores responses for identical prompts, routing subsequent requests directly to the cache instead of calling the underlying AI provider. Are you tired of paying multiple times for the exact same query? Prompt Cache solves this by recognizing duplicate inputs across all supported providers, drastically reducing latency and operational costs. When a user submits a request that matches a previously cached prompt, the gateway returns the stored answer instantly. You can configure cache expiration and scope rules via your dashboard to maintain data freshness. Stop wasting budget on redundant computational work. Upgrade to the latest gateway tier today to start saving time and money on every call.
sortie 3935 tok (+3802 réflexion) latence 41.1 s
Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.
Utilisez GLM-5.1 en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre SDK. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="glm-5.1",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "glm-5.1",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.1",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "glm-5.1",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("glm-5.1")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));À propos de GLM-5.1
- S'appuyant sur GLM-5, il met l'accent sur une boucle expérimenter-analyser-optimiser plutôt que sur une génération en une passe, ce qui permet l'exploration autonome, l'amélioration continue et une livraison stable dans des environnements d'ingénierie complexes.
- Z.AI présente cette montée de version comme une affaire d'endurance plus que de capacité de pointe : là où la version précédente plafonne tôt dans une boucle agentique, GLM-5.1 est documenté comme soutenant l'optimisation sur des centaines de tours et des milliers d'appels d'outils, avec un meilleur jugement sur les problèmes ambigus.
- Le modèle offre une fenêtre de contexte de 200K avec jusqu'à 128K tokens de sortie, plus des modes de réflexion et l'appel de fonctions.
- Les charges de travail nommées vont au-delà du code : dialogue général, écriture créative, génération de front-end et d'artefacts, et bureautique.
- La réflexion s'active via le même objet thinking que le reste de la lignée et laisse par défaut le modèle décider, la trace étant renvoyée dans un champ reasoning_content distinct ; notez que le contrôle d'effort de raisonnement ajouté plus tard par Z.AI est documenté comme réservé à GLM-5.2, ce modèle n'a donc aucun réglage d'effort.
- Les outils MCP, le streaming, la sortie JSON et la mise en cache automatique des préfixes sont tous pris en charge, et les poids sont publiés sous licence MIT.
- Synthorai expose GLM-5.1 derrière son endpoint compatible OpenAI pour une intégration directe.
FAQ
Peut-on essayer l'API GLM-5.1 gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $1.4/M de tokens en entrée, ce crédit couvre à lui seul environ 89 requêtes de ~8K tokens sur GLM-5.1.
Quels sont les points forts de GLM-5.1 ?
Travaille de façon autonome jusqu'à 8 heures ; boucle expérimenter-analyser-optimiser plutôt qu'une seule passe ; couvre de la planification aux tests et à la livraison. La section À propos en donne un aperçu complet, tiré des notes de version du fournisseur.
Combien coûte GLM-5.1 ?
Sur Synthorai, GLM-5.1 coûte $1.4 par million de tokens en entrée et $4.4 par million de tokens en sortie, soit le tarif public du fournisseur, sans majoration de plateforme. Les tokens d'entrée en cache sont facturés $0.26/M.
Quelle est la fenêtre de contexte de GLM-5.1 ?
GLM-5.1 dispose d'une fenêtre de contexte de 203K tokens sur Synthorai. Une réponse peut compter jusqu'à 131,072 tokens.
GLM-5.1 prend-il en charge la mise en cache des prompts ?
Oui, automatiquement : les prompts servis par Z.ai sont mis en cache sans modification de code. Les tokens d'entrée en cache sont facturés $0.26/M contre $1.4/M hors cache. Guide de mise en cache des prompts →
Comment obtenir l'accès à GLM-5.1 ?
Dans votre SDK OpenAI actuel, indiquez base_url="https://synthorai.io/v1" et model="glm-5.1", et c'est tout. Une seule clé API donne accès à tous les modèles de la passerelle.
GLM-5.1 est-il open source ?
Oui : les poids sont publiés sous licence MIT. Vous pouvez aussi vous passer de GPU : la version hébergée ici est facturée à l'usage, sans infrastructure à gérer. Exécuter des modèles à poids ouverts →
Modèles associés
Comparer
Chaque valeur de cette page est reprise de la documentation du fournisseur (lien ci-dessus) et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue. Quand les fournisseurs ne définissent pas une spécification de la même façon, la différence est signalée et la valeur n'est pas mise en graphique. Nous ne mesurons rien ici et nous n'attribuons aucune note.